CN114822709A - 大气污染多粒度精准成因分析方法及装置 - Google Patents
大气污染多粒度精准成因分析方法及装置 Download PDFInfo
- Publication number
- CN114822709A CN114822709A CN202210277175.1A CN202210277175A CN114822709A CN 114822709 A CN114822709 A CN 114822709A CN 202210277175 A CN202210277175 A CN 202210277175A CN 114822709 A CN114822709 A CN 114822709A
- Authority
- CN
- China
- Prior art keywords
- atmospheric pollution
- parameter set
- type
- pollution
- granularity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 62
- 238000004458 analytical method Methods 0.000 claims abstract description 206
- 238000012544 monitoring process Methods 0.000 claims abstract description 76
- 238000003062 neural network model Methods 0.000 claims description 34
- 230000000306 recurrent effect Effects 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 16
- 239000004576 sand Substances 0.000 claims description 16
- 239000002131 composite material Substances 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 12
- 230000001537 neural effect Effects 0.000 claims description 4
- 235000019580 granularity Nutrition 0.000 claims 1
- 238000012806 monitoring device Methods 0.000 claims 1
- 238000003915 air pollution Methods 0.000 abstract description 44
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 28
- 230000008569 process Effects 0.000 description 28
- 239000000126 substance Substances 0.000 description 17
- 210000002569 neuron Anatomy 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 239000003344 environmental pollutant Substances 0.000 description 10
- 231100000719 pollutant Toxicity 0.000 description 10
- 238000004088 simulation Methods 0.000 description 9
- 238000009792 diffusion process Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 239000002245 particle Substances 0.000 description 7
- 238000011109 contamination Methods 0.000 description 6
- 239000000926 atmospheric chemistry Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 150000001875 compounds Chemical class 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 239000000356 contaminant Substances 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000003546 flue gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/0039—O3
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/004—CO or CO2
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/0042—SO2 or SO3
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Food Science & Technology (AREA)
- Computing Systems (AREA)
- Combustion & Propulsion (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Environmental & Geological Engineering (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Crystallography & Structural Chemistry (AREA)
- Computational Linguistics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Atmospheric Sciences (AREA)
- Biomedical Technology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种大气污染多粒度精准成因分析方法及装置,分析方法包括:获取监测区域的第一参数集和第二参数集,其中,第一参数集用于指示监测区域在第一预设时间段内的大气污染浓度数据,第二参数集用于指示监测区域在第一预设时间段内的气象数据;将第一参数集和第二参数集输入至第一预设模型,以确定大气污染类型;根据大气污染类型,进行大气污染多粒度成因分析。本发明的技术方案,充分融合了深度学习技术和经典的大气机理模型,仅利用监测的大气污染浓度数据和气象数据就可以快速准确的确定污染类型,根据污染类型进一步进行多粒度溯源分析,提高了大气污染成因分析的准确性,为大气治理提供了可靠的辅助决策信息。
Description
技术领域
本发明涉及污染监测技术领域,具体而言,涉及一种大气污染多粒度精准成因分析方法及装置。
背景技术
现有技术中,大气污染成因分析方法中主要采用大气物理和大气化学两个维度进行分析,但基于大气物理的方法只能弄清大致的污染来源,不能进行精准的成因分析,而基于化学的方法需要专用的化学检测仪器对采集的大气样本进行化学分析,过程费时费力。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。
为此,本发明的第一个方面在于提出一种大气污染多粒度精准成因分析方法。
本发明的第二个方面在于提出一种大气污染多粒度精准成因分析装置。
本发明的第三个方面在于提出一种可读存储介质。
本发明的第四个方面在于提出一种电子设备。
有鉴于此,根据本发明的第一个方面,提出了一种大气污染多粒度精准成因分析方法,包括:获取监测区域的第一参数集和第二参数集,其中,第一参数集用于指示监测区域在第一预设时间段内的大气污染浓度数据,第二参数集用于指示监测区域在第一预设时间段内的气象数据;将第一参数集和第二参数集输入至第一预设模型,以确定大气污染类型;根据大气污染类型,进行大气污染多粒度成因分析。
需要说明的是,本发明所提出的大气污染多粒度精准成因分析方法的执行主体可以是大气污染多粒度精准成因分析装置,为了更加清楚的对本发明提出的大气污染多粒度精准成因分析方法进行说明,下面技术方案中以大气污染多粒度精准成因分析方法的执行主体为大气污染多粒度精准成因分析装置进行示例性说明。
在该技术方案中,第一参数集用于指示监测区域内在第一预设时间段内采集的大气污染浓度数据,主要包括如PM2.5、PM10、SO2、CO2、CO、O3等污染物的浓度值。第二参数集用于指示监测区域内第一预设时间段内采集的气象数据,主要包括如监测区域大气边界层高度、降雨量、表面气压、温度、湿度、风速和风向等个气象参数。可以理解的是,分析装置可通过监测站点、气象局和相关非盈利性机构获取上述第一参数集和第二参数集。上述大气污染多粒度分析用于指示针对不同的大气污染类型,采用不同的分析方式。
具体地,分析装置获取监测区域的第一参数集和第二参数集,并将第一参数集和第二参数集输入至第一预设模型中,以确定出大气污染的类型。
进一步地,在确定大气污染类型后,分析装置根据具体的大气污染类型进行具体的大气污染多粒度成因分析。
具体而言,大气污染类型包括沙尘暴型、外来型、局部型、静稳天气型、复合型和常规型中的任一种。其中,沙尘暴型用于表示大气污染的成因是沙尘暴造成的;外来型用于表示大气污染的成因为潜在的外来污染源造成的;局部型用于表示的大气污染的成因为监测区域中多个局部的污染源造成的;静稳天气型用于表示出现了持续不利于大气污染物扩散的气象条件;复合型用于表示由多种原因造成了大气污染,常规型用于表示没有出现大气污染的情况。
现有技术中,大气污染成因分析方法中主要采用大气物理和大气化学两个维度进行分析,但基于大气物理的方法只能弄清大致的污染来源,不能进行精准的成因分析,而基于化学的方法需要专用的化学检测仪器对采集的大气样本进行化学分析,过程费时费力。
因此,在本发明的技术方案中,分析装置首先将获取的监测区域的第一参数集合第二参数集输入至预先训练好的图循环神经网络模型中确定出大气污染的类型,然后根据大气污染类型对大气污染的成因和污染源进行分析。本发明的技术方案考虑到不同的大气污染的类型成因存在差异,所以分析装置首先根据采集的大气污染的浓度数据和气象数据确定出大气污染的类型,然后针对不同的污染类型,采用不同的分析方法,提高了大气污染成因分析的准确性。同时,本发明的技术方案中,通过预先根据历史数据训练好的第一预设模型能够快速确定出大气污染的类型,使得大气污染多粒度成因分析既方便快速又全面精准。
此外,根据本发明的上述大气污染多粒度精准成因分析方法,还可以具有以下附加技术特征:
在上述技术方案中,第一预设模型为图循环神经网络模型,图循环神经网络模型的图数据包括结点属性、结点特征、邻接矩阵和边属性,结点属性用于指示气象数据和时间特征数据,结点特征用于指示大气污染浓度数据,邻接矩阵为全1矩阵,边属性用于指示地理相似度和风向相似度;在获取监测区域的第一参数集和第二参数集之前,分析方法还包括:设定图循环神经网络模型的损失函数和激活函数;获取监测区域的历史参数集,并根据历史参数集确定训练样本对图循环神经模型进行训练;其中,历史参数集用于指示监测区域历史时间段发生大气污染报警事件时的大气污染浓度数据和气象数据。
在该技术方案中,上述历史参数集用于指示监测区域历史时间段发生大气污染报警事件时的大气污染浓度数据和气象数据。一般来说,取监测区域中近5年的污染超标报警事件的污染浓度数据和气象数据作为历史参数集。
在该技术方案中,第一预设模型为图循环神经网络模型,图循环神经网络模型的图数据包括结点属性、结点特征、邻接矩阵和边属性。具体而言,在本发明的技术方案中,结点属性用于指示气象数据和时间特征数据,结点特征用于指示大气污染浓度数据,邻接矩阵为M×(M-1)的全1矩阵,M为结点数,边属性用于指示地理相似度和风向相似度。具体而言,上述时间特征数据包括季度、月度、周日、小时、节假日等5大特征。上述地理位置相似度为静态值,上述风向相似度根据气象条件变化而变化,是动态值。
进一步地,在获取监测区域的第一参数集和第二参数集之前,分析装置还用于对确定了图数据的图循环神经网络模型训练,以确定出能够根据第一参数集和第二参数集确定大气污染类型的图循环神经网络模型。
具体地,分析装置设定图循环神经网络模型的损失函数和激活函数。具体而言,以目标检测函数(CenterNet)作为上述损失函数,以指数线性单元函数(Exponential LinearUnits简称为ELU)作为激活函数。
进一步地,分析装置获取历史参数集,并根据历史参数集生成训练样本对上述图循环神经网络模型进行训练,以确定出能够用于确定大气污染类型的图循环神经网络模型。
在该技术方案中,分析装置首先设定损失函数和激活函数,然后获取历史参数集确定训练样本,并通过训练样本训练上述图循环神经网络模型,确定出了能够根据大气污染浓度数据和气象数据精准确定大气污染类型的图循环神经网络模型(即第一预设模型),提高了大气污染分析的效率和准确性。
在上述技术方案中,根据大气污染类型,进行大气污染多粒度成因分析的步骤具体包括:基于大气污染类型为沙尘暴型,将第二参数集输入至第二预设模型,确定污染源发生的时间、地点和传输路径。
在该技术方案中,上述第二预设模型为拉格朗日大气扩散模型(Hybrid Single-Particle Lagrangian Integrated Trajectory model简称为HYSPLIT)。
在该技术方案中,在分析装置根据大气污染类型进行大气污染多粒度成因分析的过程中,如果确定出的大气污染类型为沙尘暴型,则表明造成大气污染的原因为沙尘暴,此时,分析装置将第二参数集输入至第二预设模型中,确定出沙尘暴发生的时间、地点和传输路径,即污染源发生的时间、地点和传输路径。
具体地,分析装置通过第二预设模型确定污染源的污染参数的过程为,以监测区域中报出大气污染报警的位置为起点,利用第二预设模型进行后向轨迹模拟,计算得出所有污染来演轨迹。利用聚类算法对所有污染来源轨迹进行轨迹聚类,确定出主要的来源轨迹,进而根据主要来源轨迹,确定出每个轨迹的到达时间及对大气污染的贡献比率等参数,即上述污染源发生的时间、地点和传输路径。
在该技术方案中,分析装置根据不同的大气污染类型,选取不同的方式进行大气污染多粒度成因分析,准确的确定出了污染源发生的时间、地点和传输路径,实现了对大气污染的精准分析,提高了大气污染多粒度成因分析的可信度。
在上述技术方案中,根据大气污染类型,进行大气污染多粒度成因分析的步骤具体包括:基于大气污染类型为外来型,将第二参数集输入至第二预设模型中,以确定大气污染来源轨迹数据;将大气污染来源轨迹数据输入至第三预设模型中,确定污染源的潜在区域。
在该技术方案中,上述第三预设模型为潜在源因子分析模型(Potential SourceContribution Function简称为PSCF);上述污染源的潜在区域用于指示造成大气污染的潜在的污染源所在的区域。
在该技术方案中,在分析装置根据大气污染类型进行大气污染多粒度成因分析的过程中,如果确定出的大气污染类型为外来型,则表明出现大气污染是外来的污染源造成的。此时,分析装置首先将第二参数集输入至第二预设模型中,以监测区域中报出大气污染报警的位置为起点,进行后向轨迹模拟,确定出大气污染来源轨迹数据,然后将大气污染来源轨迹数据输入至第三预设模型中,进而确定出污染源的潜在区域。
具体地,分析装置通过第三预设模型中确定污染源的潜在区域的过程为,根据监测区域中报出大气污染报警的位置确定污染溯源范围,然后将污染溯源范围进行网格划分。根据接收的大气污染来源轨迹数据,统计每个网格内经过的污染源来源轨迹的总数,即第一轨迹个数。可以理解的是,每条污染来源轨迹均对应一个污染监测的污染物浓度,对污染物浓度设定阈值,统计每个网格内污染来源轨迹浓度值超过设定阈值的轨迹个数,即第二轨迹个数。
进一步地,计算第二轨迹个数与第一轨迹个数的比值,并根据第二轨迹个数与第一轨迹个数的比值和按照预先设定规则计算得出的权重因子计算每个网格对大气污染的贡献比率。将贡献比率排在前N位的网格确定为污染源的潜在区域。
需要说明的是,上述N的具体值根据实际情况设定。
在该技术方案中,分析装置根据不同的大气污染类型,选取不同的方式进行大气污染多粒度成因分析,准确的确定出了污染源的潜在区域,实现了对大气污染的精准分析,提高了大气污染多粒度成因分析的可信度。
在上述技术方案中,根据大气污染类型,进行大气污染多粒度成因分析的步骤具体包括:基于大气污染类型为局部型,获取监测区域的第三参数集,第三参数集用于指示监测区域在第一预设时段内的废气排放数据和监测区域的地形数据;将第二参数集和第三参数集输入至第四预设模型中,确定多个局部污染源的贡献比率。
在该技术方案中,上述第四预设模型为非稳态拉格朗日烟团模型系统(CALPUFF);上述第三参数集用于指示监测区域在第一预设时段内的废气排放数据和监测区域的地形数据。
在该技术方案中,在分析装置根据大气污染类型进行大气污染多粒度成因分析的过程中,如果确定出的大气污染类型为局部型,则表明出现大气污染的是由于监测区域内的局部污染源造成的,此时,分析装置获取监测区域的第三参数集,并将第二参数集和第三参数集输入至第四预设模型中,以确定出多个局部污染源的贡献比率。
具体地,分析装置通过第四预设模型确定局部污染源的污染参数的过程为,分析监测区域中的点源(企业)、线源(公路)、面源(园区)排放污染到达大气污染报警临界值时的浓度值,根据计算出的浓度值确定局部污染源对大气污染的贡献比率,进而确定出局部污染源的污染参数。
在该技术方案中,分析装置根据不同的大气污染类型,选取不同的方式进行大气污染多粒度成因分析,准确的确定出了多个局部污染源对大气污染的贡献比率,实现了对大气污染的精准分析,提高了大气污染多粒度成因分析的可信度。
在上述技术方案中,根据大气污染类型,进行大气污染多粒度成因分析的步骤具体包括:基于大气污染类型为静稳天气型,将第一参数集和第二参数集输入至第五预设模型中,确定大气污染的持续时间和预测第二预设时间后的空气质量。
在该技术方案中,上述第五预设模型为深度学习神经网络模型。
在该技术方案中,在分析装置根据大气污染类型进行大气污染多粒度成因分析的过程中,如果确定出的大气污染类型为静稳天气型,则表明是由于出现了不利于大气污染物扩散的条件造成了大气污染,此时,分析装置将第一参数集和第二参数集输入至第五预设模型中,预测未来的空气质量和大气污染的持续时间。
具体地,第五预设模型的结构为seq2seq结构,seq2seq属于encoder-decoder(编码-解码)结构的一种,分析装置通过第五预设模型预测未来的空气质量和确定大气污染的持续时间的过程为,encoder(编码)结构将第一参数集合第二参数集压缩成指定长度的向量,decoder(解码)结构根据该向量生成未来一段时间内的污染浓度值,进而确定大气污染的持续时间。
在该技术方案中,分析装置根据不同的大气污染类型,选取不同的方式进行大气污染多粒度成因分析,准确的预测未来的空气质量和大气污染的持续时间,实现了对大气污染的精准分析,提高了大气污染多粒度成因分析的可信度。
在上述技术方案中,根据大气污染类型,进行大气污染多粒度成因分析的步骤具体包括:基于大气污染类型为复合型或常规型,以确定的大气污染类型作为分析结果。
在该技术方案中,在分析装置根据大气污染类型进行大气污染多粒度成因分析的过程中,如果确定出的大气污染类型为复合型,则表明由多种原因造成了大气污染,此时,无需具体分析大气污染的成因;如果确定出的大气污染类型为常规型,则表明监测区域不存在大气污染,此时,也无需大气污染的成因。
在该技术方案中,大气污染类型为复合型表明由于多种原因造成出现大气污染,需要大量的复杂的数据进行大气污染多粒度成因分析,大气污染类型为常规型表明监测区域不存在大气污染,无需进行大气污染多粒度成因分析。所以,在本发明的技术方案中,在确定大气污染类型为复合型或者常规型时,无需进行具体的大气污染多粒度成因分析,直接将确定大气污染类型告知用户,这提高了大气污染的分析速率。
根据本发明的第二个方面,提出了一种大气污染多粒度精准成因分析装置,包括:获取单元,用于获取监测区域的第一参数集和第二参数集,其中,第一参数集用于指示监测区域在第一预设时间段内的大气污染浓度数据,第二参数集用于指示监测区域在第一预设时间段内的气象数据;处理单元,用于将第一参数集和第二参数集输入至第一预设模型,以确定大气污染类型,第一预设模型为通过训练样本训练之后的图循环神经网络模型;处理单元还用于根据大气污染类型,进行大气污染多粒度成因分析;
在该技术方案中,第一参数集用于指示监测区域内在第一预设时间段内采集的大气污染浓度数据,主要包括如PM2.5、PM10、SO2、CO2、CO、O3等污染物的浓度值。第二参数集用于指示监测区域内第一预设时间段内采集的气象数据,主要包括如监测区域大气边界层高度、降雨量、表面气压、温度、湿度、风速和风向等个气象参数。
具体地,通过获取单元获取监测区域的第一参数集和第二参数集,通过处理单元将第一参数集和第二参数集输入至第一预设模型中,以确定出大气污染的类型。
进一步地,处理单元根据第一预设模型确定的大气污染类型,进一步地对大气污染的成因进行分析。具体而言,大气污染类型包括沙尘暴型、外来型、局部型、静稳天气型、复合型和常规型中的任一种。其中,沙尘暴型用于表示大气污染的成因是沙尘暴造成的;外来型用于表示大气污染的成因为潜在的外来污染源造成的;局部型用于表示的大气污染的成因为监测区域中多个局部的污染源造成的;静稳天气型用于表示出现了持续不利于大气污染物扩散的气象条件;复合型用于表示由多种原因造成了大气污染,常规型用于表示没有出现大气污染的情况。
现有技术中,大气污染成因分析方法中主要采用大气物理和大气化学两个维度进行分析,但基于大气物理的方法只能弄清大致的污染来源,不能进行精准的成因分析,而基于化学的方法需要专用的化学检测仪器对采集的大气样本进行化学分析,过程费时费力。
因此,在本发明的技术方案中,处理单元首先将通过获取单元获取的监测区域的第一参数集合第二参数集输入至预先训练好的图循环神经网络模型中确定出大气污染的类型,然后根据大气污染类型对大气污染的成因和污染源进行分析。本发明的技术方案考虑到不同的大气污染的类型成因存在差异,所以处理单元首先根据采集的大气污染的浓度数据和气象数据确定出大气污染的类型,然后针对不同的污染类型,采用不同的分析方法,提高了大气污染成因分析的准确性。同时,本发明的技术方案中,通过预先根据历史数据训练好的第一预设模型能够快速确定出大气污染的类型,使得大气污染多粒度成因分析既方便快速又全面精准。
根据本发明的第三个方面,提出了一种可读存储介质,其上存储有程序或指令,程序或指令被处理器执行时实现如本发明第一方面提出的大气污染多粒度精准成因分析方法。因此,该可读存储介质具备本发明第一方面提出的大气污染多粒度精准成因分析方法的全部有益效果,在此不再赘述。
根据本发明的第四个方面,提出了一种电子设备,包括:如本发明第二方面提出的大气污染多粒度精准成因分析装置,和/或如本发明第三方面提出的可读存储介质,因此,该点脑子设备具备本发明第二方面提出的大气污染多粒度精准成因分析装置和/或本发明第三方面提出的可读存储介质的全部有益效果,在此不再赘述。
本发明的附加方面和优点将在下面的描述部分中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1示出了本发明实施例的大气污染多粒度精准成因分析方法的流程示意图之一;
图2示出了本发明实施例的大气污染多粒度精准成因分析方法的流程示意图之二;
图3示出了本发明实施例的大气污染多粒度精准成因分析方法的流程示意图之三;
图4示出了本发明实施例的大气污染多粒度精准成因分析方法的流程示意图之四;
图5示出了本发明实施例的大气污染多粒度精准成因分析方法的流程示意图之五;
图6示出了本发明实施例的大气污染多粒度精准成因分析方法的流程示意图之六;
图7示出了本发明实施例的大气污染多粒度精准成因分析方法的流程示意图之七;
图8示出了本发明实施例的大气污染多粒度精准成因分析装置的示意框图;
图9示出了本发明实施例的电子设备的示意框图;
图10示出了本发明实施例的大气污染多粒度精准成因分析方法的技术路线图;
图11示出了本发明实施例的第一预设模型的结构示意图;
图12示出了本发明实施例的基于第二预设模型确定的污染来源轨迹图;
图13示出了本发明实施例的污染来源轨迹聚类结果示意图;
图14示出了本发明实施例的第五预设模型的示意图之一;
图15示出了本发明实施例的第五预设模型的示意图之二;
图16示出了本发明实施例的第五预设模型的示意图之三。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不限于下面公开的具体实施例的限制。
下面结合图1至图16,通过具体的实施例及其应用场景对本发明实施例提供的大气污染多粒度精准成因分析方法、装置、可读存储介质和电子设备进行详细地说明。
实施例一:
图1示出了本发明实施例的大气污染多粒度精准成因分析方法的流程示意图,其中,该分析方法包括:
步骤S102,获取监测区域的第一参数集和第二参数集;
步骤S104,将第一参数集和第二参数集输入至第一预设模型,以确定大气污染类型;
步骤S106,根据大气污染类型,进行大气污染多粒度成因分析。
需要说明的是,本发明所提出的种大气污染多粒度精准成因分析方法的执行主体可以是大气污染多粒度精准成因分析装置,为了更加清楚的对本发明提出的大气污染多粒度精准成因分析方法进行说明,下面叙述中以大气污染多粒度精准成因分析方法的执行主体为大气污染多粒度精准成因分析装置进行示例性说明。
在该实施例中,第一参数集用于指示监测区域内在第一预设时间段内采集的大气污染浓度数据,主要包括如PM2.5、PM10、SO2、CO2、CO、O3等污染物的浓度值。第二参数集用于指示监测区域内第一预设时间段内采集的气象数据,主要包括如监测区域大气边界层高度、降雨量、表面气压、温度、湿度、风速和风向等个气象参数。上述大气污染多粒度分析用于指示针对不同的大气污染类型,采用不同的分析方式。
在该实施例中,大气污染类型具体包括沙尘暴型、外来型、局部型、静稳天气型、复合型和常规型。其中,沙尘暴型用于表示大气污染的成因是沙尘暴造成的;外来型用于表示大气污染的成因为潜在的外来污染源造成的;局部型用于表示大气污染的成因为监测区域中多个局部的污染源造成的;静稳天气型用于表示出现了持续不利于大气污染物扩散的气象条件;复合型用于表示由多种原因造成了大气污染,常规型用于表示没有出现大气污染的情况。
具体地,分析装置获取监测区域的第一参数集和第二参数集,并将第一参数集和第二参数集输入至第一预设模型中,以确定出大气污染的类型。
进一步地,在确定大气污染类型后,分析装置根据具体的大气污染类型进行具体的大气污染多粒度成因分析。
现有技术中,大气污染成因分析方法中主要采用大气物理和大气化学两个维度进行分析,但基于大气物理的方法只能弄清大致的污染来源,不能进行精准的成因分析,而基于化学的方法需要专用的化学检测仪器对采集的大气样本进行化学分析,过程费时费力。
因此,在本实施例中,分析装置首先将获取的监测区域的第一参数集合第二参数集输入至预先训练好的图循环神经网络模型中确定出大气污染的类型,然后根据大气污染类型对大气污染的成因和污染源进行分析。本实施例考虑到不同的大气污染的类型成因存在差异,所以分析装置首先根据采集的大气污染的浓度数据和气象数据确定出大气污染的类型,然后针对不同的污染类型,采用不同的分析方法,提高了大气污染成因分析的准确性。同时,在本实施例中,通过预先根据历史数据训练好的第一预设模型能够快速确定出大气污染的类型,使得大气污染多粒度成因分析既方便快速又全面精准。
图2示出了本发明实施例的大气污染多粒度精准成因分析方法的流程示意图,其中,该分析方法包括:
步骤S202,设定图循环神经网络模型的损失函数和激活函数;
步骤S204,获取监测区域的历史参数集,并根据历史参数集确定训练样本对图循环神经模型进行训练,以确定第一预设模型;
步骤S206,获取监测区域的第一参数集和第二参数集;
步骤S208,将第一参数集和第二参数集输入至第一预设模型,以确定大气污染类型;
步骤S210,根据大气污染类型,进行大气污染多粒度成因分析。
在该实施例中,上述历史参数集用于指示监测区域历史时间段发生大气污染报警事件时的大气污染浓度数据和气象数据。一般来说,取监测区域中近5年的污染超标报警事件的污染浓度数据和气象数据作为历史参数集。
在该实施例中,第一预设模型为图循环神经网络模型,图循环神经网络模型中的图数据包括有结点属性、结点特征、邻接矩阵、边属性等数据需要生成和处理,具体地,结点属性定义用于指示该结点所在监测区域的边界层高度、降雨量、表面气压、温度、湿度、风速和风向等7个气象参数,加上时间数据;结点特征用于指示该结点所在监测站点的PM2.5、PM10、SO2、CO2、CO、O3等6大污染物浓度值。
具体而言,上述时间数据包括季度、月度、周日、小时、节假日等5大特征:季度:采用one-hot(独热编码)编码方式进行4位二进制表示,如表1所示:
表1
春季 | 夏季 | 秋季 | 冬季 | |
春季 | 1 | 0 | 0 | 0 |
夏季 | 0 | 1 | 0 | 0 |
秋季 | 0 | 0 | 1 | 0 |
冬季 | 0 | 0 | 0 | 1 |
可以理解的是,对应的月度采用one-hot编码方式进行12位二进制表示;周日采用one-hot编码方式进行7位二进制表示;小时采用one-hot编码方式进行24位二进制表示;节假日采用one-hot编码方式进行2位二进制表示。
具体地,邻接矩阵为M×(M-1)的全1矩阵,其中M为结点数。具体而言,邻接矩阵用于表示结点与结点之间的连接关系。
具体地,边属性用于指示地理位置相似度和风向相似度两个参数。具体而言,对于图循环神经网络模型的边的定义为任意一个结点与其它结点都建立边关系,可以构建有向子图。向子图边属性为两连接结点之间的相似度,其包括地理位置相似度和风向相似度两个参数。其中,地理位置相似度为静态值,风向相似度根据气象条件变化而变化,是动态值。地理相似度定义如下:
其中,gsi,j表示结点i到结点j的地理相似度,gsj,i表示结点j到结点i的地理相似度,(xi,yi)表示结点i的坐标,(xj,yj)表示结点j的坐标。
风向相似度定义如下:
其中,wsi,j表示结点i到结点j的风向相似度,wsj,i表示结点j到结点i的风向相似度,θij->i表示结点i和结点j之间直线与结点i的风向的夹角,θij->j表示结点i和结点j之间直线与结点j的风向的夹角。
具体而言,在该实施例中,图循环神经网络模型的结构图如图11所示,其中,图中Φ表示初始默认的参数,U表示数据输入的权重参数,V表示数据输出的权重参数,St,St+1…St+T为各时刻的大气污染的状态,Xt为t时刻监测站点的污染物浓度值,包括PM2.5、PM10、SO2、CO2、CO、O3等6大污染物的浓度值;Vt∈RN×p,E∈RM×q分别表示t时刻图结点和边属性矩阵,N为结点个数(在该实施例中表示监测区域中监测站点个数),p为结点属性个数(在该实施例中表示气象参数个数),q为边属性个数(在该实施例中q=2),M为边的条数;G=(V,E)为图结构;为用于表示大气污染的类型。因此,大气污染类型分类识别问题变为:
其中,f(·)表示GRNN网络,其目标函数可以表示为:
其中,B为一个batch_size(批量)的大小,L(·)表示损失函数,f(g;W)表示GRNN模型的激活函数,g表示输入的图信息,W为需要求解的网络参数,Φ(W)为正则惩罚项。
进一步地,分析装置设定损失函数为目标检测损失函数,其表达式如下:
其中,xi表示第i个样本,yi表示它对应的类别;Cyi表示yi类的样本中心,W,b分别表示权值与偏置参数;m,n分别表示mini-batch(梯度下降)和类别的大小,λ为平衡因子。上述公式中第一项是传统的softmax loss(交叉熵损失)函数,第二项是center loss(中心损失)函数。
进一步地,分析装置设定激活函数,具体而言激活函数采用ELU,其表达式如下:
其中,表达式中α为[0,1]之间的一个常数参数。
进一步地,分析装置获取历史参数集,即收集监测区域中近5年的污染超标报警事件及其对应的监测站点监测的污染浓度数据和气象数据,并将其制作成训练样本。将制作好的训练样本输入至设定好损失函数和激活函数的图循环神经网络模型中进行训练,以获得能够用于确定大气污染类型的第一预设模型。
在该实施例中,分析装置首先设定损失函数和激活函数,然后获取历史参数集确定训练样本,并通过训练样本训练上述图循环神经网络模型,确定出了能够根据大气污染浓度数据和气象数据精准确定大气污染类型的图循环神经网络模型(即第一预设模型),提高了大气污染多粒度成因分析的效率和准确性。
图3示出了本发明实施例的大气污染多粒度精准成因分析方法的流程示意图,其中,该分析方法包括:
步骤S302,获取监测区域的第一参数集和第二参数集;
步骤S304,将第一参数集和第二参数集输入至第一预设模型,以确定大气污染类型;
步骤S306,基于大气污染类型为沙尘暴型,将第二参数集输入至第二预设模型,确定污染源发生的时间、地点和传输路径。
在该实施例中,上述第二预设模型为拉格朗日大气扩散模型。
在该实施例中,在分析装置根据大气污染类型进行大气污染多粒度成因分析的过程中,如果确定出的大气污染类型为沙尘暴型,则表明造成大气污染的原因为沙尘暴,此时,分析装置将第二参数集输入至第二预设模型中,确定出沙尘暴发生的时间、地点和传输路径,即污染源发生的时间、地点和传输路径。
具体地,分析装置通过第二预设模型确定污染源的污染参数的过程为,以监测区域中报出大气污染报警的位置为起点,利用第二预设模型进行后向轨迹模拟,计算得出所有污染来演轨迹。其中,第二预设模型中的假定质点的轨迹是随着风场而运动的,轨迹是质点在空间和时间上的积分。质点所在位置的矢量速度在时间和空间上都是线性插值得出的,其具体计算公式如下:
其中,P(·)表示质点的位置,V(·)表示质点的速度,下一时刻指定点的位置是由上一时刻的平均速度和预设质点的速度平均后与时间步长的乘积而得到。
在该实施例中,以污染报警时间前两天气象数据为例进行污染来源轨迹模拟分析,模拟时间间隔为1小时,即每天计算24次,模拟高度分别取100m、500m和1000m,因此一共可得到24×3×2=144条轨迹,其示例图如图12所示。
进一步地,在计算得出污染来源轨迹后,利用聚类算法进行轨迹聚类,得出主要的4条污染来源及其贡献比率其中,代表某一种污染来源的概率,其示例图如图13所示,根据图13可以确定沙尘暴污染来源主要方向、输送轨迹、贡献比率及其到达时间等参数,即上述污染源发生的时间、地点和传输路径。
在该实施例中,分析装置根据不同的大气污染类型,选取不同的方式进行大气污染多粒度成因分析,准确的确定出了污染源发生的时间、地点和传输路径。实现了对大气污染的精准分析,提高了大气污染多粒度成因分析的可信度。
图4示出了本发明实施例的大气污染多粒度精准成因分析方法的流程示意图,其中,该分析方法包括:
步骤S402,获取监测区域的第一参数集和第二参数集;
步骤S404,将第一参数集和第二参数集输入至第一预设模型,以确定大气污染类型;
步骤S406,基于大气污染类型为外来型,将第二参数集输入至第二预设模型中,以确定大气污染来源轨迹数据;
步骤S408,将大气污染来源轨迹数据输入至第三预设模型中,确定污染源的潜在区域。
在该实施例中,上述第三预设模型为潜在源因子分析模型;上述污染源的潜在区域用于指示造成大气污染的潜在的污染源所在的区域。
在该实施例中,在分析装置根据大气污染类型进行大气污染多粒度成因分析的过程中,如果确定出的大气污染类型为外来型,则表明出现大气污染是外来的污染源造成的,此时,分析装置首先将第二参数集输入至第二预设模型中,以监测区域中报出大气污染报警的位置为起点,进行后向轨迹模拟,确定出大气污染来源轨迹数据,然后将大气污染来源轨迹数据输入至第三预设模型中,进而确定出污染源的潜在区域。
具体地,分析装置通过第三预设模型中确定污染源的潜在区域的过程为,根据监测区域中报出大气污染报警的位置确定污染溯源范围,一般选取大气污染报警的位置的500公里×500公里确定为污染溯源范围。
进一步地,分析装置将污染溯源范围进行网格划分,一般以50公里×50公里作为一个网格。根据接收的大气污染来源轨迹数据,统计每个网格内经过的污染源来源轨迹的总数,即第一轨迹个数。可以理解的是,每条污染来源轨迹均对应一个污染监测的污染物浓度,对污染物浓度设定阈值,统计每个网格内污染来源轨迹浓度值超过设定阈值的轨迹个数,即第二轨迹个数。计算第二轨迹个数与第一轨迹个数的比值,其计算公式如下:
其中,Pij表示第二轨迹个数与第一轨迹个数的比值,mij表示超过设定阈值的污染来源轨迹在网格(i,j)内被截获的第二轨迹个数,nij表示所有污染来源轨迹被网格(i,j)截获的第一轨迹个数。
进一步地,按照如下表达式计算权重因子。
其中,nave表示溯源范围内所有网格的平均轨迹个数,当3nave<nij时,权重因子Wij为1;当1.5nave<nij<3nave时,权重因子Wij为0.7;当nave<nij<3nave时,权重因子Wij为0.42,当nij<nave时,权重因子Wij为0.05。
进一步地,根据权重因子和第二轨迹个数与第一轨迹个数的比值确定每个网格对大气污染的贡献比率。将贡献比率排在前N位的网格确定为污染源的潜在区域。其中,根据权重因子和第二轨迹个数与第一轨迹个数的比值计算每个网格对大气污染的贡献比率表达式如下:
在该技术方案中,分析装置根据不同的大气污染类型,选取不同的方式进行大气污染多粒度成因分析,准确的确定出了污染源的潜在区域,实现了对大气污染的精准分析,提高了大气污染多粒度成因分析的可信度。
图5示出了本发明实施例的大气污染多粒度精准成因分析方法的流程示意图,其中,该分析方法包括:
步骤S502,获取监测区域的第一参数集和第二参数集;
步骤S504,将第一参数集和第二参数集输入至第一预设模型,以确定大气污染类型;
步骤S506,基于大气污染类型为局部型,获取监测区域的第三参数集;
步骤S508,将第二参数集和第三参数集输入至第四预设模型中,确定多个局部污染源的贡献比率。
在该实施例中,上述第四预设模型为非稳态拉格朗日烟团模型系统;上述第三参数集用于指示监测区域在第一预设时段内的废气排放数据和监测区域的地形数据。
在该实施例中,在分析装置根据大气污染类型进行大气污染多粒度成因分析的过程中,如果确定出的大气污染类型为局部型,则表明出现大气污染的是由于监测区域内的局部污染源造成的。此时,分析装置获取监测区域的第三参数集,并将第二参数集和第三参数集输入至第四预设模型中,以确定出多个局部污染源的贡献比率。
具体地,分析装置通过第四预设模型确定局部污染源的污染参数的过程为,分析监测区域中的点源(企业)、线源(公路)、面源(园区)排放污染到达大气污染报警临界值时的浓度值,根据计算出的浓度值确定局部污染源对大气污染的贡献比率,进而确定出局部污染源的污染参数。
在该实施例中,分析装置根据不同的大气污染类型,选取不同的方式进行大气污染多粒度成因分析,准确的确定出了多个局部污染源对大气污染的贡献比率,实现了对大气污染的精准分析,提高了大气污染多粒度成因分析的可信度。
示例性的,以点源为例,针对大气污染报警临界值的位置获取其周边企业排放信息,包括但不限于企业经纬度、烟囱源高、烟囱出口直径、烟囱出口流速、烟囱出口烟气温度等。获取网格点到报警点之间区域的地形数据和气象数据,其中气象数据包括地面气象数据和高空模拟数据。将上面得到的企业排放信息、地形数据和气象数据输入第四预设模型转中计算出各企业排放污染到达受体点处时的浓度值(k表示第k个企业),其中,表示局部型成因分析中企业点源溯源结果。
图6示出了本发明实施例的大气污染多粒度精准成因分析方法的流程示意图,其中,该分析方法包括:
步骤S602,获取监测区域的第一参数集和第二参数集;
步骤S604,将第一参数集和第二参数集输入至第一预设模型,以确定大气污染类型;
步骤S606,基于大气污染类型为静稳天气型,将第一参数集和第二参数集输入至第五预设模型中,确定大气污染的持续时间和预测第二预设时间后的空气质量。
在该实施例中,上述第五预设模型为深度学习神经网络模型。
在该实施例中,在分析装置根据大气污染类型进行大气污染多粒度成因分析的过程中,如果确定出的大气污染类型为静稳天气型,则表明是由于出现了不利于大气污染物扩散的条件造成了大气污染,此时,分析装置将第一参数集和第二参数集输入至第五预设模型中,预测未来的空气质量和大气污染的持续时间。
具体地,第五预设模型的结构为seq2seq结构,seq2seq属于encoder-decoder(编码-解码)结构的一种,分析装置通过第五预设模型预测未来的空气质量和确定大气污染的持续时间的过程为,encoder(编码)结构将第一参数集合第二参数集压缩成指定长度的向量,decoder(解码)结构根据该向量生成未来一段时间内的污染浓度值,进而确定大气污染的持续时间。
具体地,seq2seq网络结构如图14所示,其中,前半部分为encode结构,encode结构如图15所示,从图15可以看出,encoder结构与一般的RNN(Recurrent Neural Network循环神经网络)区别不大,只是中间神经元没有输出。
需要指出的是,上下文向量c可以采用多种方式进行计算,其计算表达式如下所示:
从公式可以看出,c可以直接使用最后一个神经元的隐藏状态hN表示;也可以在最后一个神经元的隐藏状态上进行某种变换q(hN)而得到,q函数表示某种变换;也可以使用所有神经元的隐藏状态q(h1,h2,…hN)计算得到。得到上下文向量c之后,需要传递到decoder结构。对于encoder结构,encoder的RNN接受输入X(x1,x2,…xN),最终输出一个编码有所有信息的上下文向量c,中间的神经元没有输出,h1,h2,…hN为中间状态。
图14中的后半部分为decode结构,decode结构如图16所示,decoder结构有自己的初始隐藏层状态h′0,把上下文向量c当成RNN每一个神经元的输入。可以看到在decoder的每一个神经元都拥有相同的输入c;另外在输入的部分多了上一个神经元的输出y'。即每一个神经元的输入包括:上一个神经元的隐藏层向量,上一个神经元的输出y',当前的输入c(encoder编码的上下文向量)。对于第一个神经元的输入y'0,通常是标志位的嵌入向量。decoder的隐藏层及输出计算公式如下:
其中,U,V,W,b为RNN网络参数,σ(·)表示激活函数。
还需要指出的是,在该实施例中,第五预设模型是事先以监测区域收集的近5年的各监控站点监测的污染浓度数据和气象数据制作的训练样本对seq2seq网络模型训练确定的。具体地,一个训练样本包括前24小时监测浓度值和后24小时监测浓度值,其中,以前24小时监测的污染浓度数据和气象数据作为模型的输入数据,以后24小时监测浓度值作为真实的样本标签。
在该实施例中,分析装置根据不同的大气污染类型,选取不同的方式进行大气污染多粒度成因分析,准确的预测未来的空气质量和大气污染的持续时间,实现了对大气污染的精准分析,提高了大气污染多粒度成因分析的可信度。
图7示出了本发明实施例的大气污染多粒度精准成因分析方法的流程示意图,其中,该分析方法包括:
步骤S702,获取监测区域的第一参数集和第二参数集;
步骤S704,将第一参数集和第二参数集输入至第一预设模型,以确定大气污染类型;
步骤S706,基于大气污染类型为复合型或常规型,以确定的大气污染类型作为分析结果。
在该实施例中,在分析装置根据大气污染类型进行大气污染多粒度成因分析的过程中,如果确定出的大气污染类型为复合型,则表明造成由多种原因造成了大气污染,此时,无需具体分析大气污染的成因;如果确定出的大气污染类型为常规型,则表明监测区域不存在大气污染,此时,也无需大气污染的成因。
在该实施例中,大气污染类型为复合型表明由于多种原因造成出现大气污染,需要大量的复杂的数据进行大气污染多粒度成因分析,大气污染类型为常规型表明监测区域不存在大气污染,无需进行大气污染多粒度成因分析。所以,在该实施例中,在确定大气污染类型为复合型或者常规型时,无需进行具体的大气污染多粒度成因分析,直接将确定大气污染类型告知用户,这提高了大气污染的分析速率。
实施例二:
图8示出了本发明实施例的大气污染多粒度精准成因分析装置的示意框图,其中,该大气污染多粒度精准成因分析装置800包括:获取单元802,用于获取监测区域的第一参数集和第二参数集,其中,第一参数集用于指示监测区域在第一预设时间段内的大气污染浓度数据,第二参数集用于指示监测区域在第一预设时间段内的气象数据;处理单元804,用于将第一参数集和第二参数集输入至第一预设模型,以确定大气污染类型;处理单元804还用于根据大气污染类型,进行大气污染多粒度成因分析;
在该技术方案中,第一参数集用于指示监测区域内在第一预设时间段内采集的大气污染浓度数据,主要包括如PM2.5、PM10、SO2、CO2、CO、O3等大污染物的浓度值。第二参数集用于指示监测区域内第一预设时间段内采集的气象数据,主要包括如监测区域大气边界层高度、降雨量、表面气压、温度、湿度、风速和风向等个气象参数。
具体地,通过获取单元802获取监测区域的第一参数集和第二参数集,通过处理单元804将第一参数集和第二参数集输入至第一预设模型中,以确定出大气污染的类型。
进一步地,处理单元804根据第一预设模型确定的大气污染类型,对大气污染的成因进行具体分析。具体而言,大气污染类型包括沙尘暴型、外来型、局部型、静稳天气型、复合型和常规型中的任一种。其中,沙尘暴型用于表示大气污染的成因是沙尘暴造成的;外来型用于表示大气污染的成因为潜在的外来污染源造成的;局部型用于表示的大气污染的成因为监测区域中多个局部的污染源造成的;静稳天气型用于表示出现了持续不利于大气污染物扩散的气象条件;复合型用于表示由多种原因造成了大气污染,常规型用于表示没有出现大气污染的情况。
具体地,第一预设模型为图循环神经网络模型,图循环神经网络模型的图数据包括结点属性、结点特征、邻接矩阵和边属性,结点属性用于指示气象数据和时间特征数据,结点特征用于指示大气污染浓度数据,邻接矩阵为全1矩阵,边属性用于指示地理相似度和风向相似度。
进一步地,在通过获取单元802获取监测区域的第一参数集和第二参数集之前,处理单元804还用于设定图循环神经网络模型的损失函数和激活函数;获取单元802还用于获取监测区域的历史参数集,处理单元804还用于根据历史参数集确定训练样本对图循环神经模型进行训练,以确定第一预设模型。
进一步地,在根据大气污染类型,进行大气污染多粒度成因分析的过程中,处理单元804还用于基于大气污染类型为沙尘暴型,将第二参数集输入至第二预设模型,确定污染源发生的时间、地点和传输路径。
进一步地,在根据大气污染类型,进行大气污染多粒度成因分析的过程中,处理单元804还用于基于大气污染类型为外来型,将第二参数集输入至第二预设模型中,以确定大气污染来源轨迹数据;处理单元804还用于将大气污染来源轨迹数据输入至第三预设模型中,确定污染源的潜在区域。
进一步地,在根据大气污染类型,进行大气污染多粒度成因分析的过程中,获取单元802基于大气污染类型为局部型,获取监测区域的第三参数集,第三参数集用于指示监测区域在第一预设时段内的废气排放数据和监测区域的地形数据;处理单元804还用于将第二参数集和第三参数集输入至第四预设模型中,确定多个局部污染源的贡献比率。
进一步地,在根据大气污染类型,进行大气污染多粒度成因分析的过程中,处理单元804还用于基于大气污染类型为静稳天气型,将第一参数集和第二参数集输入至第五预设模型中,确定大气污染的持续时间和预测第二预设时间后的空气质量。
进一步地,在根据大气污染类型,进行大气污染多粒度成因分析的过程中,处理单元804还用于基于大气污染类型为复合型或常规型,以确定的大气污染类型作为分析结果。
现有技术中,大气污染成因分析方法中主要采用大气物理和大气化学两个维度进行分析,但基于大气物理的方法只能弄清大致的污染来源,不能进行精准的成因分析,而基于化学的方法需要专用的化学检测仪器对采集的大气样本进行化学分析,过程费时费力。
因此,在本实施例中,处理单元804首先将通过获取单元802获取的监测区域的第一参数集合第二参数集输入至预先训练好的图循环神经网络模型中确定出大气污染的类型,然后根据大气污染类型对大气污染的成因和污染源进行分析。本发明的技术方案考虑到不同的大气污染的类型成因存在差异,所以处理单元804首先根据采集的大气污染的浓度数据和气象数据确定出大气污染的类型,然后针对不同的污染类型,采用不同的分析方法,提高了大气污染成因分析的准确性,同时,本实施例中,通过预先根据历史数据训练好的第一预设模型能够快速确定出大气污染的类型,使得大气污染多粒度成因分析既方便快速又全面精准。
实施例三:
根据本发明的第三个实施例,提出了一种可读存储介质,其上存储有程序或指令,程序或指令被处理器执行时实现如上述实施例提出的大气污染多粒度精准成因分析方法。因此,该可读存储介质具备上述实施例提出的大气污染多粒度精准成因分析方法的全部有益效果,在此不再赘述。
实施例四:
图9示出了本发明实施例的电子设备的示意框图,该电子设备900包括如上述实施例提出的大气污染多粒度精准成因分析装置800,和/或如上述实施例提出的可读存储介质902,因此,该电子设备900具备上述实施例提出的大气污染多粒度精准成因分析装置800或上述实施例提出的可读存储介质902的全部有益效果,在此不再赘述。
实施例五:
本实施例结合图10对本发明提出的大气污染多粒度精准成因分析方法进行示例性说明。
如图10所示,在该实施例提出的大气污染多粒度精准成因分析方法,分析装置首先将监测区域中监测站点采集的GIS数据(大气污染的浓度数据)和气象数据导入至GRNN模型确定出大气污染的类型,然后根据具体的大气污染的类型进行大气污染多粒度成因分析。具体地,当大气污染类型为沙尘暴型时,通过HYSPLIT模型进行轨迹分析;当大气污染类型为外来型时,通过PSCF模型进行潜在源区分析;当大气污染类型为局部型时,通过CALPUFF模型进行点源、线源、面源分析;当大气污染类型为静稳天气型时,通过神经网络模型进行空气质量预测。
本实施考虑到不同的大气污染的类型成因存在差异,所以分析装置首先根据采集的大气污染的浓度数据和气象数据确定出大气污染的类型,然后针对不同的污染类型,采用不同的分析方法,提高了大气污染成因分析的准确性。
在本说明书的描述中,术语“第一”、“第二”仅用于描述的目的,而不能理解为指示或暗示相对重要性,除非另有明确的规定和限定;术语“连接”、“安装”、“固定”等均应做广义理解,例如,“连接”可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中,术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或实例。而且,描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
另外,本发明各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种大气污染多粒度精准成因分析方法,其特征在于,包括:
获取监测区域的第一参数集和第二参数集,其中,所述第一参数集用于指示所述监测区域在第一预设时间段内的大气污染浓度数据,所述第二参数集用于指示所述监测区域在所述第一预设时间段内的气象数据;
将所述第一参数集和所述第二参数集输入至第一预设模型,以确定大气污染类型;
根据所述大气污染类型,进行大气污染多粒度成因分析。
2.根据权利要求1所述的大气污染多粒度精准成因分析方法,其特征在于,
所述第一预设模型为图循环神经网络模型,所述图循环神经网络模型的图数据包括结点属性、结点特征、邻接矩阵和边属性,所述结点属性用于指示所述气象数据和时间特征数据,所述结点特征用于指示所述大气污染浓度数据,所述邻接矩阵为全1矩阵,所述边属性用于指示地理相似度和风向相似度;
在获取监测区域的第一参数集和第二参数集之前,所述分析方法还包括:
设定所述图循环神经网络模型的损失函数和激活函数;
获取所述监测区域的历史参数集,并根据所述历史参数集确定训练样本对所述图循环神经模型进行训练;
其中,所述历史参数集用于指示所述监测区域历史时间段发生大气污染报警事件时的大气污染浓度数据和气象数据。
3.根据权利要求2所述的大气污染多粒度精准成因分析方法,其特征在于,所述根据所述大气污染类型,进行大气污染多粒度成因分析,具体包括:
基于所述大气污染类型为沙尘暴型,将所述第二参数集输入至第二预设模型,确定污染源发生的时间、地点和传输路径。
4.根据权利要求2所述的大气污染多粒度精准成因分析方法,其特征在于,所述根据所述大气污染类型,进行大气污染多粒度成因分析,具体包括:
基于所述大气污染类型为外来型,将所述第二参数集输入至第二预设模型中,以确定大气污染来源轨迹数据;
将所述大气污染来源轨迹数据输入至第三预设模型中,确定污染源的潜在区域。
5.根据权利要求2所述的大气污染多粒度精准成因分析方法,其特征在于,所述根据所述大气污染类型,进行大气污染多粒度成因分析,具体包括:
基于所述大气污染类型为局部型,获取所述监测区域的第三参数集,所述第三参数集用于指示所述监测区域在所述第一预设时间段内的废气排放数据和所述监测区域的地形数据;
将所述第二参数集和所述第三参数集输入至第四预设模型中,确定多个局部污染源的贡献比率。
6.根据权利要求2所述的大气污染多粒度精准成因分析方法,其特征在于,所述根据所述大气污染类型,进行大气污染多粒度成因分析,具体包括:
基于所述大气污染类型为静稳天气型,将所述第一参数集和所述第二参数集输入至第五预设模型中,确定大气污染的持续时间和预测第二预设时间后的空气质量。
7.根据权利要求2所述的大气污染多粒度精准成因分析方法,其特征在于,所述根据所述大气污染类型,进行大气污染多粒度成因分析,具体包括:
基于所述大气污染类型为复合型或常规型,以确定的所述大气污染类型作为分析结果。
8.一种大气污染多粒度精准成因分析装置,其特征在于,包括:
获取单元,用于获取监测区域的第一参数集和第二参数集,其中,所述第一参数集用于指示所述监测区域在第一预设时间段内的大气污染浓度数据,所述第二参数集用于指示所述监测区域在所述第一预设时间段内的气象数据;
处理单元,用于将所述第一参数集和所述第二参数集输入至第一预设模型,以确定大气污染类型;
所述处理单元还用于根据所述大气污染类型,进行大气污染多粒度成因分析。
9.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1至7中任一项所述的大气污染多粒度精准成因分析方法的步骤。
10.一种电子设备,其特征在于,包括:
如权利要求8所述的大气污染多粒度精准成因分析装置;和/或
如权利要求9所述的可读存储介质。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210277175.1A CN114822709A (zh) | 2022-03-16 | 2022-03-16 | 大气污染多粒度精准成因分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210277175.1A CN114822709A (zh) | 2022-03-16 | 2022-03-16 | 大气污染多粒度精准成因分析方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114822709A true CN114822709A (zh) | 2022-07-29 |
Family
ID=82531647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210277175.1A Pending CN114822709A (zh) | 2022-03-16 | 2022-03-16 | 大气污染多粒度精准成因分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114822709A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116011317A (zh) * | 2022-11-29 | 2023-04-25 | 北京工业大学 | 一种基于多方法融合的小尺度近实时大气污染溯源方法 |
CN117390464A (zh) * | 2023-12-11 | 2024-01-12 | 唐山华洋自动化有限公司 | 基于kafka技术的分布式大气污染监测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599520A (zh) * | 2016-12-31 | 2017-04-26 | 中国科学技术大学 | 一种基于lstm‑rnn模型的空气污染物浓度预报方法 |
CN106650825A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种机动车尾气排放数据融合系统 |
AU2019100364A4 (en) * | 2019-04-05 | 2019-05-09 | Shenyuan Huang | A Method of Air Quality Prediction Using Long Short-Term Memory Neural Network |
US20200042861A1 (en) * | 2019-08-26 | 2020-02-06 | Lg Electronics Inc. | Method, apparatus, and system for inferring contaminated air exposure level based on operation information of wearable device or portable air purifier |
CN111507533A (zh) * | 2020-04-22 | 2020-08-07 | 中科三清科技有限公司 | 空气污染物浓度预测方法、装置、电子设备及存储介质 |
WO2021174751A1 (zh) * | 2020-03-02 | 2021-09-10 | 平安国际智慧城市科技股份有限公司 | 基于大数据的污染源定位方法、装置、设备及存储介质 |
CN113436045A (zh) * | 2021-06-15 | 2021-09-24 | 深圳中兴网信科技有限公司 | 大气污染多尺度融合溯源方法、装置和可读存储介质 |
-
2022
- 2022-03-16 CN CN202210277175.1A patent/CN114822709A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599520A (zh) * | 2016-12-31 | 2017-04-26 | 中国科学技术大学 | 一种基于lstm‑rnn模型的空气污染物浓度预报方法 |
CN106650825A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种机动车尾气排放数据融合系统 |
AU2019100364A4 (en) * | 2019-04-05 | 2019-05-09 | Shenyuan Huang | A Method of Air Quality Prediction Using Long Short-Term Memory Neural Network |
US20200042861A1 (en) * | 2019-08-26 | 2020-02-06 | Lg Electronics Inc. | Method, apparatus, and system for inferring contaminated air exposure level based on operation information of wearable device or portable air purifier |
WO2021174751A1 (zh) * | 2020-03-02 | 2021-09-10 | 平安国际智慧城市科技股份有限公司 | 基于大数据的污染源定位方法、装置、设备及存储介质 |
CN111507533A (zh) * | 2020-04-22 | 2020-08-07 | 中科三清科技有限公司 | 空气污染物浓度预测方法、装置、电子设备及存储介质 |
CN113436045A (zh) * | 2021-06-15 | 2021-09-24 | 深圳中兴网信科技有限公司 | 大气污染多尺度融合溯源方法、装置和可读存储介质 |
Non-Patent Citations (2)
Title |
---|
RUI XU ET AL.: "A deep learning method to repair atmospheric environmental quality data based on Gaussian diffusion", JOURNAL OF CLEANER PRODUCTION, no. 308, 9 May 2021 (2021-05-09), pages 1 - 11 * |
古添发等: "智能型VOCs污染源追踪系统在连续监测中的实例分析", 轻工科技, no. 7, 31 July 2016 (2016-07-31), pages 110 - 112 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116011317A (zh) * | 2022-11-29 | 2023-04-25 | 北京工业大学 | 一种基于多方法融合的小尺度近实时大气污染溯源方法 |
CN116011317B (zh) * | 2022-11-29 | 2023-12-08 | 北京工业大学 | 一种基于多方法融合的小尺度近实时大气污染溯源方法 |
CN117390464A (zh) * | 2023-12-11 | 2024-01-12 | 唐山华洋自动化有限公司 | 基于kafka技术的分布式大气污染监测方法及系统 |
CN117390464B (zh) * | 2023-12-11 | 2024-03-08 | 唐山华洋自动化有限公司 | 基于kafka技术的分布式大气污染监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chang et al. | An LSTM-based aggregated model for air pollution forecasting | |
CN110363347B (zh) | 基于决策树索引的神经网络预测空气质量的方法 | |
CN108701274B (zh) | 一种城市小尺度空气质量指数预测方法与系统 | |
CN108227041B (zh) | 基于站点实测数据和模式结果的水平能见度预报方法 | |
CN110346517B (zh) | 一种智慧城市工业大气污染可视化预警方法及其系统 | |
CN105181898A (zh) | 基于大密度部署传感器的大气污染监控及管理方法及系统 | |
CN114822709A (zh) | 大气污染多粒度精准成因分析方法及装置 | |
CN115358332A (zh) | 面向多源数据的大气污染溯源方法 | |
US20220215749A1 (en) | Method for predicting at least one profile of the speed of a vehicle on a road network | |
CN110555551B (zh) | 一种智慧城市的空气质量大数据管理方法及系统 | |
CN113436045A (zh) | 大气污染多尺度融合溯源方法、装置和可读存储介质 | |
CN110738354B (zh) | 预测颗粒物浓度的方法、装置、存储介质及电子设备 | |
CN114881356A (zh) | 基于粒子群算法优化bp神经网络的城市交通碳排预测方法 | |
CN113112068A (zh) | 一种村镇公共设施选址布局的方法及其系统 | |
CN112669190B (zh) | 污染源异常排放行为的检测方法、装置及计算机设备 | |
CN112906941B (zh) | 面向动态相关空气质量时间序列的预测方法及系统 | |
CN113836808A (zh) | 一种基于重污染特征约束的pm2.5深度学习预测方法 | |
CN114154702A (zh) | 基于多粒度图时空神经网络的污染物浓度预测方法及装置 | |
CN113348471A (zh) | 一种大气污染预测中对区域边界优化的方法 | |
CN117871790B (zh) | 基于多种数据融合的路边监测站数据分析和交通溯源方法 | |
CN110471131B (zh) | 高空间分辨率的精细化大气水平能见度自动预报方法及系统 | |
CN110490365B (zh) | 一种基于多源数据融合预测网约车订单量的方法 | |
CN113077089B (zh) | 一种多因素对空气质量影响的评价方法和装置 | |
CN114219345A (zh) | 一种基于数据挖掘的二次空气质量预报优化方法 | |
Bhat et al. | Machine learning based prediction system for detecting air pollution |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |